Využití strojového učení pro analýzu buněčných struktur
Výzkumný tým představil novou metodu pro kvantifikaci biologického stáří prostřednictvím analýzy buněčného jádra. Tento postup využívá pokročilé algoritmy strojového učení ke zpracování vizuálních dat, konkrétně trojrozměrných snímků hematopoetických kmenových buněk. Výzkum se zaměřuje na strukturní změny chromatinu, které jsou dlouhodobě považovány za jeden z klíčových znaků procesu stárnutí organismu.
Princip fungování biologických hodin na bázi buněčné architektury
Stárnutí je spojeno se změnami v uspořádání jaderné DNA. Tato struktura, ovlivňovaná epigenetickými mechanismy, určuje, které genové sekvence jsou přístupné pro expresi. Vědci vyvinuli model s názvem ChromAgeNet, což je konvoluční neuronová síť schopná identifikovat prostorové charakteristiky chromatinu v jádrech hematopoetických kmenových buněk.
Při trénování algoritmu na snímcích jader myších buněk obarvených metodou DAPI dosáhl model hodnoty AUROC 0,77. Tento výsledek naznačuje vyšší přesnost v rozlišování mezi mladými a starými buňkami ve srovnání s klasickými modely, které pracují s manuálně definovanými rysy chromatinu. Pomocí metod vysvětlitelné umělé inteligence vědci určili jako prediktivní markery především entropii chromatinu, periferní heterochromatin a kondenzáty chromatinu.
Možnosti využití v klinickém výzkumu
Vývoj tohoto modelu má praktický význam pro oblast fenotypového screeningu. V rámci testování vědci ověřili schopnost algoritmu detekovat účinky epigenetických léčiv na kmenové buňky. Výsledky ukazují, že sledování organizace chromatinu prostřednictvím strojového učení může sloužit jako nástroj pro hodnocení stavu hematopoetického systému. Metoda představuje základ pro budoucí vývoj v oblasti vysokokapacitního screeningu látek zaměřených na ovlivnění procesů spojených s buněčným stárnutím. Detailní výsledky tohoto výzkumu byly publikovány v odborném tisku.